論文の概要: WiSDoM: Wireless Sparse Decision Transformer with Mixture-of-Experts for Multi-Task Mobile Network Optimization

• arxiv url: http://arxiv.org/abs/2609.00284v1
• Date: Mon, 31 Aug 2026 19:32:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.024841
• Title: WiSDoM: Wireless Sparse Decision Transformer with Mixture-of-Experts for Multi-Task Mobile Network Optimization
• Title（参考訳）: WiSDoM:マルチタスクモバイルネットワーク最適化のためのMixture-of-Expertを用いた無線スパース決定変換器
• Abstract要約: 本稿では、適応型マルチセル選択のためのWiSDoMを用いた無線スパース決定変換器を提案する。 WiSDoMは、Decision Transformer (DT)とMixture-of-Experts (MoE)アーキテクチャを組み合わせることで、タスク特性に応じて専門専門家を動的に活性化する。 実験の結果,WiSDoMはメソッド,シングルタスクモデル,従来のマルチタスクDTよりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 3.8613477927967614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emerging 6G wireless networks are expected to operate across diverse deployment scenarios, where variations in network topology, user mobility, traffic demand, and radio conditions challenge the scalability of conventional radio resource management (RRM). While offline reinforcement learning (RL) methods have demonstrated strong decision-making capabilities, learning a single policy that performs consistently across heterogeneous wireless environments remains difficult due to conflicting optimization objectives and limited model specialization. These challenges become particularly pronounced in coordinated multipoint (CoMP) transmission, where selecting the optimal serving-cell combination requires sequential decision-making under evolving network conditions. This paper presents the Wireless Sparse Decision Transformer with Mixture of Experts (WiSDoM), a sparse multi-task offline RL framework for adaptive multi-cell selection. WiSDoM combines Decision Transformers (DTs) with a Mixture-of-Experts (MoE) architecture that dynamically activates specialized experts according to task characteristics. This MoE mechanism improves model capacity without proportionally increasing inference cost, mitigates negative transfer, and enables expert specialization across tasks. WiSDoM is trained jointly on diverse network configurations spanning multiple base station and user equipment densities, mobility levels, and scheduler policies. Experimental results show that WiSDoM consistently outperforms heuristic methods, single-task models, and conventional multi-task DTs, improving quality of experience (QoE) by up to 55% while activating approximately one-third of the parameters of its dense counterpart during inference. Furthermore, WiSDoM exhibits strong task generalization and efficiently adapts to unseen wireless scenarios through few-shot prompting without retraining or fine-tuning.
• Abstract（参考訳）: 6G無線ネットワークは、ネットワークトポロジ、ユーザモビリティ、交通需要、無線条件のバリエーションが従来の無線リソース管理(RRM)のスケーラビリティに挑戦する、多様な展開シナリオで運用されることが期待されている。 オフライン強化学習(RL)手法は強力な意思決定能力を示したが、最適化目標の矛盾や限定モデル特殊化のため、異種無線環境を一貫して横断する単一ポリシーの学習は難しいままである。 これらの課題はコーディネート・マルチポイント(CoMP)伝送において特に顕著になり、最適なサーブセルの組み合わせを選択するには、進化するネットワーク条件下でのシーケンシャルな意思決定が必要である。 本稿では、適応型マルチセル選択のためのマルチタスクオフラインRLフレームワークWiSDoM(Wissparse Decision Transformer with Mixture of Experts)を提案する。 WiSDoMは、Decision Transformer(DT)とMixture-of-Experts(MoE)アーキテクチャを組み合わせることで、タスク特性に応じて専門専門家を動的に活性化する。 このMoEメカニズムは、推論コストを比例的に増加させることなくモデルキャパシティを改善し、負の転送を緩和し、タスク間の専門家の専門化を可能にする。 WiSDoMは、複数の基地局とユーザ機器密度、モビリティレベル、スケジューラポリシーにまたがる多様なネットワーク構成を共同で訓練する。 実験結果から、WiSDoMはヒューリスティックな手法、単一タスクモデル、従来のマルチタスクDTを一貫して上回り、推論中に高密度のパラメータの約3分の1を活性化しながら、経験の質(QoE)を最大55%向上させることがわかった。 さらに、WiSDoMは強力なタスクの一般化を示し、再訓練や微調整をせずに、数発のプロンプトによって、目に見えない無線シナリオに効率的に適応する。

関連論文リスト

• Hierarchical Wireless Foundation Model for Multi-Task Optimization [34.759246067039705]
  マルチタスク最適化のための階層型無線基礎モデル(WFM)を提案する。 提案するWFMは,高忠実度チャネル表現を学習し,競合するマルチタスク最適化性能を実現する。
  論文  参考訳（メタデータ） (2026-07-18T16:30:23Z)
• Generalizable Multi-Task Learning for Wireless Networks Using Prompt Decision Transformers [3.8613477927967614]
  本稿では, Prompt Decision Transformer (PromptDT) を用いたマルチタスク学習フレームワークを提案する。 PromptDTは、ベースラインと比較して、マルチタスク設定でQoEを最大49%改善する。
  論文  参考訳（メタデータ） (2026-06-03T01:03:38Z)
• Digital Twin-Assisted Adaptive Multi-Agent DRL for Intelligent Spectrum and Resource Management in Open-RAN UAV-Enabled 6G Networks [49.19977685617281]
  6G無線ネットワークは、無人航空機(UAV)がカバー範囲を広げ、レジリエンスを向上し、地上ユーザのデプロイメントに信頼性の高い接続性を確保する上で重要な役割を果たす、シームレスにインテリジェントでオープンなRAN対応アーキテクチャを想定している。 高度にダイナミックなUAV支援環境でのスペクトルと資源の効率的な管理は、非線形システム相互作用、モビリティによって引き起こされるトポロジの変動、厳密なレイテンシとエネルギー制約により、依然として大きな課題である。 本稿では,デジタルツイン(DT)を利用した適応型深層強化学習(DRL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-31T16:19:28Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
  本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。 大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
  論文  参考訳（メタデータ） (2024-10-18T14:04:38Z)
• Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN [11.464582983164991]
  新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。 O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。 本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-30T17:00:53Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
  複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。 本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:24:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。